Modellering af efterspørgsel

Transkript

1 Modellering af efterspørgsel

2 Indhold 1. Overblik over model 2. Fremskrivning og regionalisering af BNP 3. Fremskrivninger af arbejdspladser 4. Befolkningsfremskrivning og syntese 5. Bilejerskab og efterspørgselsmodel 6. Konvergens mellem efterspørgsel og rutevalg 2 LTM Kursus - DTU

3 Oversigt LTM Model antagelser (population, infrastruktur og firmaer) Populations syntese Handelsmodel bilejerskab Logistik model Transport efterspørgsel Assignment model (vej, fly, kollektiv, cykel og gang) 3 LTM Kursus - DTU

4 Oversigt LTM Model antagelser (population, infrastruktur og firmaer) Populations syntese Handelsmodel bilejerskab Logistik model Transport efterspørgsel Assignment model (vej, fly, kollektiv, cykel og gang) 4 LTM Kursus - DTU

5 LTM 1.1 og ydre forudsætninger Modellen er født med en række forudsætninger i forhold til Population Økonomi Beskæftigelse Disse dækker årene fra med 5 års intervaller I version 1.1 opfattes disse som exogene og der er ikke lavet modeller som understøtter ændringer i disse inputs Man kan ændre forudsætninger i forskellige scenarier præcist som man kan ændre andre inputs, men det er i så fald brugerens ansvar at sikre at rammerne er konsistente med generelle fremskrivninger 5 LTM Kursus - DTU

6 BNP fremskrivninger 6 LTM Kursus - DTU

7 BNP fremskrivninger Den overordnede BNP væksten i samfundet følger konvergensprogrammet fra 2013/2014 Henholdsvis 16.8% og 31.15% vækst frem mod 2020 og 2030 (faste priser) Regionaliseringen af BNP er den store udfordring I version LTM 1.0 anvendte vi en tilgang hvor vi regionaliserede BNP ud fra en ADAMS branche-opdeling Vi sammenholdt den kommunale brancheopdeling i basisåret med en fremskrivning af ADAM-brancherne og beskæftigelsen Denne fremgangsmåde har vist sig at være problematisk, primært fordi ADAM ikke er konstrueret med henblik på en geografisk opdeling 7 LTM Kursus - DTU

8 BNP fremskrivninger I version LTM 1.1 har vi efter flere overvejelser valgt en mere simpel fremgangsmåde hvor vi fremskriver BNP/capita ens over hele landet Det betyder altså at væksten i BNP per person, fra det pågældende niveau i 2010, stiger ens uanset om man er i København eller på Falster 8 LTM Kursus - DTU

9 Hvor i modellen påvirker BNP? Væksten i BNP oversættes først og fremmest til en indkomstvækst for individuelle personer Væksten i indkomster har indflydelse på efterspørgslen på flere måder Bilejerskabet øges med øgede indkomster og det medfører ændringer i transportmiddelvalg mm. Tidsværdier øges (en elasticitet på 44% i forhold til indkomst) Når tidsværdier øges medfører det deflaterede omkostninger relativt til tid Det vil sige at vægten af omkostningerne i forhold til tid reduceres (en stigning i transportomkostningerne, eksempelvis ved øgede oliepriser, kan modvirke dette) Vækst i BNP betyder også at mængder af varestrømme i godsmodellen øges 9 LTM Kursus - DTU

10 Befolkningsfremskrivninger og syntese 10 LTM Kursus - DTU

11 Oversigt LTM Model antagelser (population, infrastruktur og firmaer) Populations syntese Handelsmodel bilejerskab Logistik model Transport efterspørgsel Assignment model (vej, fly, kollektiv, cykel og gang) 11 LTM Kursus - DTU

12 Populationen konstrueres i 2 hovedtrin Trin 1: Konstruktion af tabel for prototypiske individer på basis af Sammensætningen af befolkningen i 2010 Udvalgte bi-betingelser for befolkningen i fremskrivningsår Output: befolkningstabel Trin 2: Konstruktion af mikro-data på basis af befolkningstabellen Gruppering af individer i befolkningstabellen baseret på match-data og mikro-simulation Output: liste med 5,4 Millioner individer grupperet i husholdninger 12 LTM Kursus - DTU

13 Sammensætningen af 2010 befolkningen For 2010 har vi konstrueret en detaljeret befolkningsprofil på basis af registerdata fra Danmarks statistik Geografisk niveau: 98 Kommuner yderligere opdelt på 907 L2 zoner Socio-økonomi: Køn, alder, indkomster, tilknytning til arbejdsmarked, samt børn og familie status I alt omkring 4,3 Millioner kombinationer Specialediteringer ift. Eksempelvis Nordhavn og Trekroner Variable Beskrivelse ZoneID Bopælszone (907 NTM zoner) IncomeID 11 Indkomstklasseer GenderID 2 Køn AgeID 10 Aldersklasser LmaID 6 Arbejdsmarkedstilknytning SingleID Enlige (0/1) ChildrenID Børn (0/1) Val Antal individer Prototypisk befolkningstabel 13 LTM Kursus - DTU

14 Indkomster og arbejdsmarkedstilknytning 10 indkomstklasser Det antages at børn op til 15 år har 0-indkomst 6 tilknytninger til arbejdsmarkedet Bemærk at vi i den eksisterende version ikke inkluderer selvstændige og ej heller tillader studerende at have job Disse ting ændres i LTM 2.0 IncomeID Indkomstkategorier LmaID Arbejdsmarkedtilknytning 1 Fuldtid 2 Halvtid 3 Elev/Studerende 4 Pensionist 5 Arbejdsløs 6 Overførselsindkomst 14 LTM Kursus - DTU

15 Hvordan fremskrives befolkningstabellen? Fremskrivninger er baseret på fremskrivninger på kommune niveau Aldersgrupper Køn Kommuner Aldersgrupper Indkomster Kommuner Aldersgrupper LMA Kommuner Disse bi-betingelser opstillet for alle fremskrivningsår (2015, 2020, 2025, 2030, 2035 og 2040) 15 LTM Kursus - DTU

16 Opstilling af bi-betingelser: alder-køn Bi-betingelsen for <aldersgrupper, køn, Kommuner> er baseret på standard fremskrivninger fra Danmarks statistik Den er jf. DST baseret på en relativ kort tidsserie (4 år) og er derfor skønsmæssigt relativ usikker Primære tendens er at folk flytter til de store byer 16 LTM Kursus - DTU

17 Opstilling af bi-betingelser: alder-indkomst Bi-betingelsen <aldersgrupper, indkomster, Kommuner> er afledt fra BNP væksten (konvergensprogram) Vi antager at hvis BNP stiger 10% stiger indkomster 10% Den simple regionalisering af BNP betyder at BNP / capita vokser relativt homogent mellem kommunerne fra 2010 niveau Den absolutte BNP stiger dog i regioner med stigende befolkning Vi antager at 0-indkomster også er 0-indkomster i fremtids år Når vi opregner en BNP vækst til indkomster justeres for 0- indkomster (så disse ikke trækker gennemsnittet ned) På grund af den simple regionalisering anvender vi i den nuværende model ikke yderligere justeringer i forhold til kommunal udligning Indkomster følger en kontinuert log-normal fordeling Vi anvender simulation til at konstruere fremtidige indkomstgrupperinger 17 LTM Kursus - DTU

18 Opstilling af bi-betingelser: alder-lma Bi-betingelsen <aldersgrupper, LMA, Kommuner> er baseret på ADAMs fremskrivninger med sektor opdeling Arbejdsudbuddet er overordnet set (af konsistenshensyn) konstrueret på samme fremgangsmåde som beskæftigelsen for zoner Er konsistent med den regionale befolkningsudvikling Når man summer op på kommuner og alder passer summerne Geografisk nedbrydning ud fra CVR register 18 LTM Kursus - DTU

19 Fit af befolkningstabel i fremtidsår Baseret på befolkningstabellen for 2010 og bi-betingelser fittes befolkningstabellen via en IPF algoritme Er ikke tilgængelig for brugerne i LTM 1.1 Egenskaberne ved denne fremgangsmåde er Den endelige løsning har samme struktur som for befolkningstabellen for 2010 Den er konsistent med alle bi-betingelser Yderligere funktionalitet er indbygget Mulighed for at fastsætte befolkningsniveauet i specifikke L2 zoner (eksempelvis Nordhavn Station) Dette afhjælper at en dårlig startsløsning for specifikke zoner / kommuner ikke ødelægger det endelige fit 19 LTM Kursus - DTU

20 Konstruktion af mikro-data fra befolkningstabellen Befolkningstabellen repræsenterer prototypiske individer Mange individer kan have de samme karakteristika (samme zone og samme socioøkonomiske karakteristika) For at modellerer husholdningsbeslutninger (såsom bilejerskab) behøver vi at opdele i husholdninger Som følge heraf indeholder LTM en simulationsmodel hvor prototypiske individer opdeles i husholdninger Den er i øjeblikket ikke frigivet til brug Så vi går fra konceptet prototypisk individ til specifikt individ tilhørende en specifik husholdning 20 LTM Kursus - DTU

21 Simulation af husholdninger Der produceres på basis af befolkningstabellen en lang liste af alle danskere (5,4 Millioner) Vi anvender partner matching i konstruktionen af husholdningerne Vi tager i betragtning at sandsynligheden for at vælge en partner med en given karakteristik afhænger af egne karakteristika (indkomst, køn, alder, LMA, ) Simulation af børn (antal og karakteristika) afhængig af voksenhusstanden Justering af mikro-populationen så den matcher vores originale befolkningstabel Klares delvist ved kvote-baseret sampling og delvist ved eftervægtning af individer 21 LTM Kursus - DTU

22 22 LTM Kursus - DTU

23 23 LTM Kursus - DTU

24 24 LTM Kursus - DTU

25 25 LTM Kursus - DTU

26 26 LTM Kursus - DTU

27 27 LTM Kursus - DTU

28 Fremskrivning af arbejdspladser 28 LTM Kursus - DTU

29 Fremskrivning af arbejdspladser Fremskrivningen af arbejdspladser er baseret på ADAM fremskrivninger for væksten i de enkelte sektorer Dette er koblet med arbejdspladslokaliseringen i 2010 på sektorer Herefter fremskrives vækstraten for sektorer i de enkelte kommuner med den national vækst i den pågældende sektor 29 LTM Kursus - DTU

30 Fremskrivning af arbejdspladser Herefter sker der en fordelingsmæssig tilpasning i forhold til den fremskrevne population Serviceerhverv placeres proportionalt med befolkningsvæksten For ikke-serviceerhverv sker en delvis tilpasning i forhold til befolkning Slutteligt sker der en overordnet tilpasning af beskæftigelse og arbejdsløshedsrater (så overordnede nationale tal passer) Fremskrivningen af arbejdspladser er generelt usikker 30 LTM Kursus - DTU

31 Hvor i modellen påvirker arbejdspladser? Lokaliseringen af arbejdspladser påvirker godsmodellen (PC varestrømme, mm.) I passagermodellen påvirker arbejdspladser primært som branche-opdelte attraktionsdata Så hvis den geografiske fordeling af branche-beskæftigelsen vil det have betydning for valg af destination Generelt er efterspørgselsmodellen ikke så følsom overfor ændringer i arbejdspladsdata Kun relative ændringer har betydning Vi anvender ikke branche-opdelinger i pendlings- og erhvervsrejser 31 LTM Kursus - DTU

32 Opmærksomhedspunkter i modelfremskrivningen Vi anvender befolkningsprognoser fra Danmarks Statstik uanset at disse kan være usikre Alle andre bi-betingelser er normaliseret til denne basis prognose Den detaljerede nedbrydning af befolkningen er baseret på en 2010 struktur For lange tidshorisonter vil fremskrivningen blive mere usikker Der findes ikke regionale fremskrivninger for indkomst og arbejdspladser så regionaliseringen af disse variable er usikker Som konsekvens har vi valgt en simpel fremgangsmåde for begge Det generelle samspil mellem arbejdspladser og befolkning er vanskeligt at forudsige (hønen eller ægget problematik) I princippet er det en ligevægt som involverer både husmarked og arbejdsmarked 32 LTM Kursus - DTU

33 Bilejerskab og efterspørgsel 33 LTM Kursus - DTU

34 LTM Model for efterspørgsel Model antagelser (population, infrastruktur og firmaer) Populations syntese Handelsmodel bilejerskab Logistik model Transport efterspørgsel Assignment model (vej, fly, kollektiv, cykel og gang) 34 LTM Kursus - DTU

35 Bilejerskab Beregnes for alle 2,4 millioner husholdninger Kalibreres i basis 2010 Der skelnes ikke mellem biltyper, men kun om husstanden har 0, 1 eller +2 biler Modellen drives primært af indkomster samt udviklingen i befolkningen I version 1.1 er der mulighed for at fastsætte fast bilejerskab Der er i LTM 1.1 præ-konstrueret alternative udviklinger for 2020 og 2030 for bilejerskabet. Disse er baseret på tidsserier af den kommunale vækst i bilejerskabet per husstand 35 LTM Kursus - DTU

36 Efterspørgselsmodeller overordnet opdeling Longterm choices Trip duration Geography Model Week-day National Below 24h Weekend International Day model Car ownership Above 24h National and international Over-night model All International Transit model 36 LTM Kursus - DTU

37 LTM - Hverdagsmodellen Hverdagsmodellen dækker trafik internt i Danmark der starter og slutter i Danmark samme dag Udgør 99% af den samlede mængde ture der foretages af danskere Der skelnes mellem 6 turformål (pendling, uddannelse, hentebringe, shopping, fritid og erhverv) For hver af de 6 turformål skelnes der mellem Primære ture: model for den primære destination i turkæden Sekundære ture: model for sekundære aktiviteter (eksempelvis, bringe børn til skole på vejen til arbejde) 37 LTM Kursus - DTU

38 LTM - Hverdagsmodellen For alle disse 12 modeller modelleres Transportmiddelvalg (gang, cykel, bil, bil passager, kollektiv og fly) Destinationsvalg (907 zoner) Tur frekvens (antallet af ture den pågældende dag) Hver model køres på en komplet dansk befolkning (5,4 Millioner) Forskellige formål er dedikeret forskellige befolkningsgrupper (pendling relateres til den arbejdende befolkning, studerende relateres til uddannelse, ) Mulighed for sampling så modellen køres på mindre del af befolkningen Ikke anbefalet og ikke faciliteret i nuværende model 38 LTM Kursus - DTU

39 Estimation af modellerne Alle modeller er estimeret på basis af TU Tidsværdier er blevet fastlagt på forhånd og er indkomstafhængige Tidsværdier for erhvervsrejser er forskellige fra andre formål For andre formål er tisværdierne ens Ikke-lineariteter i modellen er håndteret i estimationen Håndtering af elasticitetsdæmpning for lange rejser gennem splinefunktioner Modellerne er koblet til bilejerskab Den underliggende efterspørgsel efter transportmidler og destinationer påvirkes af bilejerskabet 39 LTM Kursus - DTU

40 LTM modeller for udland og overnatninger Dækker 2 segmenter International trafik uden overnatning (primært Øresund og den grønne grænse, men også fly) Ture med overnatning (kan enten være interne danske ture eller ture til/fra udlandet) Generelt ikke så mange data på disse ture og derfor er modellerne simplere Overnatningsmodel: erhverv/pendling og ferie/andre International model: pendling, erhverv, shopping og fritid Alle modeller er baseret på turkæder og relateret til den primære aktivitet 40 LTM Kursus - DTU

41 LTM modeller for udland og overnatninger Modellerne dækker Transport middelvalg (dog ikke cykel og gang) Destinationsvalg (371/907 zoner) Tur frekvens Der findes ikke mikro-data for udlandet og derfor er modellerne zone-baserede Der er foretaget simple fremskrivninger af befolkning, BNP og bilejerskab for udenlandske zoner på basis af TRANSTOOL Modellerne dækker en gruppe af rejsene og er afhængige af en fast defineret gruppestørrelse 41 LTM Kursus - DTU

42 Eksempel på modelelasticiteter Efterspørgslen afhænger bla. af tid of omkostninger som påvirker Antal ture Transportmiddel (påvirker antal ture med de enkelte transportmiddel) Destination (påvirker rejselængden for den enkelte tur) Direct demand elasticity 0-0,5-1 -1,5-2 -2,5 Pendlingselasticiteter Car cost Car time Pub cost Pub time 0-20KM 20-50KM KM KM KM 300KM- 42 LTM Kursus - DTU

43 Generelle elasticiteter i efterspørgselsmodel LTM 1.0/1.1 Variable Gang Cykel Bil chauf, Bil pas, Kol, trafik Fly Køretid i bil 0,38 0,38-0,24-0,53 0,29 0,12 Kørselsomkostning i bil 0,08 0,10-0,17 0,13 0,06 0,00 Køretid i kollektiv trafik 0,08 0,10 0,03 0,09-0,60 0,03 Kollektiv trafiktakst 0,08 0,09 0,02 0,08-0,55 0,02 Flytid 0,00 0,00 0,00 0,00 0,00-0,14 Flytakst 0,00 0,00 0,00 0,01 0,00-1,07 43 LTM Kursus - DTU

44 Model konvergens 44 LTM Kursus - DTU

45 LTM System konvergens Model antagelser (population, infrastruktur og firmaer) Populations syntese Handelsmodel bilejerskab Logistik model Transport efterspørgsel Assignment model (vej, fly, kollektiv, cykel og gang) 45 LTM Kursus - DTU

46 LTM System konvergens Model antagelser (population, infrastruktur og firmaer) Populations syntese Handelsmodel bilejerskab Logistik model Transport efterspørgsel Assignment model (vej, fly, kollektiv, cykel og gang) 46 LTM Kursus - DTU

47 Kobling mellem efterspørgsel og rutevalg Udfordringen er at rutevalget påvirker efterspørgslen (gennem ændrede rejsetider) og at efterspørgslen påvirker rutevalget (gennem efterspørgsel) For at opnå konvergens af modelsystemet har vi implementeret metoder der producerer et vægtet gennemsnit (over foregående iterationer) af rejsetiderne før de anvendes i efterspørgslen Dernæst har vi synkroniseret tidsværdier mellem de 2 modeller Som output til de samfundsøkonomiske beregninger (TERESA) anvendes nu ligeledes et vægtet gennemsnit af LoS over antallet af iterationer 47 LTM Kursus - DTU

48 Fast seed Både efterspørgsel of rutevalg anvender simulationsbaserede modeller I både efterspørgsel og rutevalget i LTM 1.1 kan man anvendes et fast seed Det betyder at forskellige kørsler med samme seed i store træk er ens (der kan være mindre afvigelser som skyldes stokastik på connectorer) Fast seed forbedre konvergensen yderligere God konvergens opnås allerede efter få iterationer Antallet iterationer afhænger af konteksten 48 LTM Kursus - DTU

49 Spørgsmål? 49 LTM Kursus - DTU